TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
Anthropic 就業研究：初階新聘占比掉到 9%，招募改買判斷力
Anthropic 10 月 16 日發布內部就業研究，把人事、模型使用與產出資料放進同一份分析：初階技術新聘占比從 27% 降至 9%，互動式代理工時到 8 月達員工操作者的六倍，meta-work 占比從 10% 升到 22%，會議時間不減反增。三組占比分母不同、六倍工時換算不了生產力，各數字的口徑與可以搬走的指標一次拆解。
用 AI 摘要這篇文章：
2026 年 10 月 16 日，Anthropic 在官方研究頁發布內部就業研究《How employment is changing at Anthropic》，由 Nathan Wilmers 領銜，與 Regina Catipon、Maxim Massenkoff、Peter McCrory 共同署名，完整報告 PDF 同頁公開。這份報告把一家公司的人事紀錄、模型使用量、產出指標、員工問卷、內部溝通、行事曆與招聘評分卡放進同一份分析，再加上 17 份員工訪談。讀完全文，最值得留下的判斷是：在 AI 採用推得最深的公司身上，真正被量化出來的變化發生在「讓代理產出變成可用成果」的那段人類工作，而這段工作正在變貴。
新聞標題多半聚焦兩個數字：初階技術新聘占比從 27% 掉到 9%，代理工時達到員工的六倍。兩個數字都是真的，也都很容易讀歪。下面按報告原文逐段拆開：先確認這份資料能回答什麼，再看三組占比各自的意思、工時口徑的細節，最後整理可以搬回自己團隊的指標與做法。
一家前沿公司把自己的內部帳本攤開
這份研究的難得之處在資料位置。它把內部行政與工程紀錄和員工問卷收進同一套資料：招聘組成、代理使用量、程式產出與會議時數並排出現，這在過去的 AI 就業研究裡很少見。想理解這類研究的讀者，可以先把它與同日發布的預期落差調查分開：那份量的是員工與美國公眾「怎麼想」，這份量的是公司內部「實際發生了什麼」。
邊界也要先講清楚。樣本是一家工作流程已圍繞 AI 重塑的前沿公司，業務正在快速擴張，公司規模在一年內增為三倍。報告自己的腳註也寫明，以成立五年的時點比較，Anthropic 每員工營收約為當年快速成長期 Meta 與 Google 的 2 到 4 倍。這些條件讓它成為值得觀察的領先指標，也讓它的數字幾乎無法直接搬到一般企業。工具採用也不是隨機分配，準備接手大專案的人可能更早開始用代理，因果因此難拆乾淨。
三個占比各自有分母，放在一起就會讀錯
招聘側最常被引用的數字，是初階技術新聘占比從 27% 降至 9%。它量的是「新進技術人員裡初階職位占多少」，是組成指標，換算不出裁員率。同期間還有兩個常被混用的數字，分母各不相同：
| 指標 | 報告中的變化 | 分母是誰 |
|---|---|---|
| 初階技術新聘占比 | 27% 降至 9% | 新加入技術部門的人 |
| 技術部門初階員工占比 | 21% 降至 14% | 部門內既有員工 |
| 技術部門占全公司比重 | 61% 降至 56% | 全公司員工 |
三組數字方向一致，但意義不同。技術部門占比下降的同時，技術職缺的絕對人數仍在增加，只是銷售、財務與招募擴張得更快。技術團隊內部的結構也在移動：以最近 30 天沒有任何程式提交定義的「不寫程式員工」，占比在到 2026 年 4 月的一年間幾乎減半；工程師與產品經理的比例來到約 17 比 1 且持續上升，管理者本人的提交數量增加一倍，監督與協調角色越來越常自己動手寫程式。報告也點出一個反直覺的細節：非技術員工（基準期沒有任何程式提交、排除新進者）的編碼導向代理使用次數，從 2025 年 8 月的每月 2 次升到 2026 年 5 月的 90 次，寫程式能力正在往外擴散，技術部門的邊界跟著變動。
時間線上，這是內部決策的結果而非統計漂移。2026 年 1 月，核心技術職能開始討論初階需求下降；到 4 月，工程與研究團隊已降低對較低職級的招聘重視，同月問卷裡多數管理者描述自己因 AI 改徵不同技能，約三分之一的機器學習主管與五分之一的軟體工程主管表示因 AI 減少招聘。初階職缺的下降則從 2025 年 12 月起就特別明顯。
招聘評分卡的內容也在移動。研究團隊用自動化編碼器處理 2024 年以來數千份面試評分卡：技術候選人評語中上升最多的是自主性與判斷力，特定領域知識的占比下降；面試官提及候選人 AI 工具使用紀錄的比例，2024 年技術職約 5%、非技術職約 7%，到 2026 年分別成長約三倍與四倍。公司持續在買判斷力，只是買的規格變了。
六倍代理工時的口徑：活動規模換算不了生產力
代理工時的數字同樣需要拆口徑。報告量了兩層：2026 年 3 月，自主加互動代理的運行工時總和首次超過人類工時；到 8 月，只看員工指派的互動式代理，工作時數已是其人類操作者的六倍。
六倍的分子與分母都不是「產出」。代理工時採運行時間概念，包含模型推論與主動工具操作，排除超過 30 分鐘的等待，子代理合併計入；人類工時則用員工人數乘以每週 40 小時估計，並非逐人實錄。把子代理併入計算，代表同一個人觸發的多條運算流程都會計入時數；報告描述的日常景象，是監控儀表板上同時跑著全公司的代理車隊，個人助理代理盯著行事曆與訊息、彙整待辦與會議簡報。這組數字適合觀察代理活動的規模與趨勢，拿來換算省下多少人力或生產力幾倍，都會差得很遠。
真正接近產出的證據在工程與業務兩側。研究追蹤 192 位開始使用編碼代理的工程師，與同期未採用的 74 位比較，採用後新增程式碼量明顯上升；品質端用替代指標檢查，同一員工、同一月份、同一目錄下由代理寫的程式碼，後續被刪除或回退的行數比例與親寫程式沒有差異。報告誠實標明，行數與回退紀錄回答不了程式是否讓產品變好。業務側的模式類似：業務代表從 2025 年 9 月起陸續採用代理，之後成交客戶數上升，一位客戶主管估計自動化取代了約兩成原有事務，另一位說自己因此能把面對面時間多分給三成客戶；律師與招募人員也出現同方向的案例，一位招募人員把原本要花兩週的分析交給 Claude，把時間改用在重新設計過時的面試題目。報告同樣承認，部分效果可能來自機會本來就多的業務代表更早選擇採用。
變貴的人類工作：覆核、餵 context、開會
把產出變便宜之後，人類注意力成了瓶頸，這是全篇最有份量的一節。研究把「為了讓其他工作順利進行而做的工作」稱為 meta-work，包含替多代理任務寫規格、用一個代理檢查另一個代理的輸出、建監控介面。這類活動占平均員工互動式工作階段的比重，從 2025 年秋季的約 10% 升到 2026 年春季的 22%。
閱讀負擔有自己的換算式。把互動式代理的輸出 token 換算成字數（每 token 約 0.75 個英文字），以每分鐘 250 字的閱讀速度估計，即使非技術員工要把代理輸出全部讀完，也會花掉超過半個工作週。這解釋了為什麼寫給代理的書面常設指示，從 2025 年 7 月的數百份成長到一年後的 8,500 份，也解釋了代理為何出現在將近一半的活躍公開 Slack 頻道裡：與其逐字讀，團隊改投資規格、介面與監控。報告裡的訪談細節把這種工作型態寫得很具體，有工程師替代理設了「幕僚長」角色專門分類代理的請求，也有人替自己的 Claude 團隊寫了一份績效評語，檢討彼此的溝通風格哪裡出了問題。
協調沒有因為代理變多而退場。依行事曆資料，員工會議時間中位數比一年前增加 20%，技術個人貢獻者也增加 16%；報告提醒，其中一部分來自公司擴張與非技術職缺占比上升，不能全部歸給 AI。更結構性的變化是可追溯性：會議裡做了決定卻沒有留下紀錄，代理就會沿用舊背景繼續做事。報告舉了一個內部案例，某位員工的名字掛在幾個月前的周邊商品文件上，代理便持續把紀念 T 恤與馬克杯的請求轉給他，即使職責早已換人。未記錄的會議與私訊對代理不可見，把需求、決策與責任人寫下來，從文化偏好變成代理運作的前提。
內部再分配救得到在職者，救不到沒被錄用的人
公司在內部確實有調節機制。任職至少一年的員工，2026 年每月跨部門流動的可能性比 2025 年高 50%；報告描述一個產品設計團隊在 2026 年春季建立脈絡圖、讓代理接手產品文案後，整隊轉向提示與模型評估設計，那位主管的說法是「過去用語言推動人類行為的寫作者，現在用語言推動 Claude 的行為」。Anthropic 也設有追蹤職務風險的預警系統，並在職務演變時優先安排內部再部署。行政職能是另一個對照：結合代理助理、自動審查與票務外包，公司在快速成長下維持輕量行政編制，一位財務主管自己搭建了採購申請的審查代理，把最耗時的項目分給機器。
員工自己的感知也在移動，但要留意問卷措辭。工作流程是否讓員工「盡可能」發揮生產力這題，2024 年底 44% 同意、2025 年 11 月 58%；2026 年 4 月升到 75% 時，題目刪掉了「盡可能」，嚴格說已是另一個問題。同月開放題裡，27% 的回答描述生產力提升，20% 描述自己的角色轉為管理 Claude。
報告結尾有一句值得完整引述的話，關於這些措施的上限：
為在職者提供的就業保障，無法惠及一開始就沒有被錄用的人。
保護現有員工與改善新人入口，被報告自己認定為兩個尚未接軌的問題。公司層面的三個特徵（廣泛的股票持有、預警系統、優先再部署）也難以跨經濟體複製，報告對此毫不掩飾。
可以搬走的是指標設計，不是數字
對台灣讀者，這份報告的數字幾乎都不能移植，但量過的東西可以變成自己團隊的儀表板。值得抄的四個指標：代理或自動化活動的規模與趨勢（用工時或 session 數，標清楚口徑）、meta-work 占互動工作的比重、覆核與閱讀負擔的換算（輸出量對上可用時間）、新聘與內部流動的組成變化。這些指標不需要前沿模型才量得起，一般的工程與行政紀錄就能做。
管理新人訓練的人，可以把任務設計成同時包含明確交付與可學習的覆核。新人如果只負責把模型答案轉貼出去，很難累積判斷哪裡出錯的能力；讓他們說明需求、比較修改前後的行為、由資深同事檢查測試是否對應風險，判斷力才有養成的入口。求職方向則與評分卡的變化一致：作品集裡保留需求、驗證方式與修正模型錯誤的過程，比只展示成果更能對上「自主性與判斷」這個正在升高的訊號。
這些數字都還會移動。代理工時、meta-work 占比與新聘組成都是會隨採用深度變化的動態量測，公司也在持續調整招聘與再部署的做法，最新數字以 Anthropic 官方研究頁與報告 PDF 為準。與先前研發步調量測和預期落差調查對照著讀，可以看出同一家公司正在把「AI 改變工作」從口號變成一組可追蹤的內部量測；至於這組量測對其他產業的預告力，外部仍有從機器人成本出發的數十年推估，報告自己則對外推給出了誠實的保留。
